PHẦN 6: DỰ BÁO

6.1 Tổng quan về dự báo

• Dự báo: là sự đoán định trước về một việc sẽ xảy ra trong tương lai

• Dự báo về nhu cầu sản phẩm là cơ sở cho hầu hết các quyết định lập kế hoạch quan trọng, liên
quan đến: scheduling, inventory, production, facility layout and design, workforce, distribution,
purchasing, …

• Dự báo là một quy trình không chắc chắn (uncertain process). Vì thế các nhà quản lý chỉ có thể
hy vọng dự đoán được nhu cầu khách hàng một cách chính xác nhất có thể. Điều này lại càng
khó khăn hơn trong môi trường kinh doanh quốc tế ngày nay, khi mà người tiêu dùng có nhiều
thông tin và sự lựa chọn về sản phẩm.
 6.1 Tổng quan về dự báo

• Phương pháp dự báo:

- Qualitative forecast methods (các phương pháp dự báo định tính): dựa vào các đánh
giá, ý kiến, kinh nghiệm trong quá khứ, hoặc tham khảo khách hàng tốt nhất để đưa ra
dự báo – mang tính chủ quan (subjective methods).

- Quantitative forecasting methods (các phương pháp dự báo định lượng): dựa vào các
công thức toán để đưa ra dự báo.
6.2. Vai trò chiến lược của dự báo trong quản trị CCƯ
} Dự báo nhu cầu chính xác có thể giúp một công ty xác định được lượng tồn kho cần có ở
mỗi một khâu khác nhau trong chuỗi cung ứng.
- Chuỗi cung ứng của doanh nghiệp là một tập hợp các cơ sở vật chất (facilities), hoạt động,
chức năng nhằm cung cấp sản phẩm/ dịch vụ từ nhà cung ứng đến khách hàng.
- Các hoạt động chức năng (functions) trong CCƯ bao gồm: purchasing, inventory, production,
scheduling, facility location, transportation và distribution.

- Dự báo nhu cầu giúp xác định lượng tồn kho cần thiết, lượng hàng cần sản xuất, lượng
nguyên liệu cần mua từ nhà cung cấp nhằm đáp ứng nhu cầu khách hàng; từ đó tổ chức vận
chuyển hàng hóa, quyết định vị trí của nhà máy, kho hàng và các trung tâm phân phối để
đảm bảo giao hàng đúng thời gian.
6.2. Vai trò chiến lược của dự báo trong quản trị CCƯ
a) Trong quản trị chuỗi cung ứng

• Nếu dự báo nhu cầu không chính xác có thể dẫn đến:

(1) Tồn kho quá nhiều, chi phí tăng cao HOẶC

(2) Tồn kho không đủ, chất lượng dịch vụ bị ảnh hưởng (late deliveries and stockouts)

• Dự báo chính xác là cần thiết nhưng dự báo hoàn toàn chính xác là không thể. Do đó các
chuỗi cung ứng cũng cần linh hoạt “flexible” để đáp ứng với những biến động của nhu cầu.
6.2 Vai trò chiến lược của Dự báo trong Quản trị CCƯ
6.2. Vai trò chiến lược của dự báo trong quản trị CCƯ
a) Trong quản trị chuỗi cung ứng

• Xu hướng của doanh nghiệp khi thiết kế CCƯ là: continuous replenishment (cung ứng bổ
sung liên tục).

- Để cung ứng bổ sung liên tục, nhà cung cấp và khách hàng phải liên tục chia sẻ thông tin
(data) với nhau. Khách hàng sẽ liên tục được cung ứng hàng hóa bởi nhà cung cấp, theo đơn
vị ngày hoặc tần suất thường xuyên hơn, dựa trên doanh số thực (actual sales).

- Các điều kiện bao gồm: quick response, JIT, VMI (vendor-managed inventory) và stockless
inventory.
6.2. Vai trò chiến lược của dự báo trong quản trị CCƯ
a) Trong quản trị chuỗi cung ứng

• Xu hướng của doanh nghiệp khi thiết kế CCƯ là: continuous replenishment (cung ứng bổ
sung liên tục).

- Phụ thuộc nhiều vào các dự báo chính xác trong ngắn hạn (thường là dự báo theo tuần) về
nhu cầu của người tiêu dùng cuối cùng trong CCƯ (end-use sales).

- Trong chuỗi cung ứng, nhà cung cấp của một doanh nghiệp cần dự đoán được chính xác nhu
cầu khách hàng của doanh nghiệp đó (mà không phải là nhu cầu trực tiếp từ doanh nghiệp).
6.2. Vai trò chiến lược của dự báo trong quản trị CCƯ

b) Trong quản trị chất lượng

} Dự báo nhu cầu khách hàng là chìa khóa cho chất lượng dịch vụ.

- Ví dụ: khi khách hàng bước chân vào một cửa hàng McDonald, họ
sẽ không muốn chờ đợi lâu để nhận được món ăn vừa gọi. Cái họ
cần là cửa hàng có thể đáp ứng yêu cầu gọi món của họ nhanh
chóng. Như vậy, việc dự báo chính xác lượng khách hàng ra vào
quán cũng như nhu cầu của khách hàng sẽ giúp McDonlad bố trí
nhân viên phục vụ, lưu trữ thực phẩm và lập kế hoạch sản xuất một
cách hợp lý, đảm bảo chất lượng dịch vụ.
6.2. Vai trò chiến lược của dự báo trong quản trị CCƯ

c) Lập kế hoạch chiến lược

} Muốn hoạch định chiến lược thành công cần dự đoán chính xác về sản phẩm
và thị trường tương lai

} Dự báo là chìa khóa cho sự thành công và năng lực cạnh tranh dài hạn của
doanh nghiệp.
6.3. Các yếu tố trong dự báo nhu cầu
a) Time frame:

- Xác định độ dài thời gian của dự báo;

- Dự báo ngắn hạn (Short-range)/ trung hạn (mid-range): hàng ngày, hàng tuần, hàng tháng
cho đến khoảng 2 năm; dành để lên lịch sản xuất, vận chuyển và xác định mức tồn kho.

- Dự báo dài hạn (Long-range): thường dài hơn 2 năm; dành cho việc hoạch định chiến lược-
thiết lập mục tiêu dài hạn, kế hoạch ra đời sản phẩm mới, gia nhập thị trường, phát triển cơ
sở hạ tầng, công nghệ, thiết kế CCƯ, triển khai các chương trình chiến lược.
6.3. Các yếu tố trong dự báo nhu cầu
a) Time frame:

- Xác định độ dài thời gian của dự báo;

VD: Hewlett-Packard đưa ra dự báo về nhu cầu máy in từ 12-18 tháng, trong khi Levi Strauss dự
báo nhu cầu về quần jeans của khách hàng theo tuần trong vòng 5 năm.
6.3. Các yếu tố trong dự báo nhu cầu
b) Demand behavior – Hành vi nhu cầu

3 đặc trưng của hành vi nhu cầu:

• Trends (tính xu hướng): Sự tăng hoặc giảm từ từ của nhu cầu trong dài hạn (VD: nhu cầu nhà ở
tăng đều trong 5 năm trở lại đây)

• Cycle (tính lặp): Sự tăng và giảm lặp đi lặp lại của nhu cầu sau 1 khoảng thời gian dài (thường > 1
năm) (VD: Nhu cầu về các thiết bị thể thao mùa đông sẽ tăng cứ mỗi 4 năm trước và sau Thế vận
hội mùa đông)

• Seasonal patterns (tính mùa vụ): Sự tăng giảm lặp đi lặp lại của nhu cầu trong các giai đoạn (VD:
Nhu cầu của khách hàng tại rạp chiếu phim tăng lên vào mỗi dịp cuối tuần)
 6.4
Quy
trình
dự
báo
nhu
cầu
6.5. Các phương pháp dự báo nhu cầu (định lượng)
a) Time series methods

- Sử dụng dữ liệu về nhu cầu của khách hàng trong lịch sử để dự báo nhu cầu tương lai

- Giả định: Hành vi nhu cầu của khách hàng trong quá khứ sẽ lặp lại trong tương lai.

- Gồm: Moving average (bình quân di động), exponential smoothing (san bằng số mũ) và
linear trend line (đường xu hướng tuyến tính)
 Moving average (bình quân di động giản đơn)

} Mức dự báo bằng mức cầu thực tế bình quân của một số ít các giai đoạn ngay trước đó.
Theo phương pháp này thì nhu cầu của các giai đoạn đều có trọng số như nhau.

} Công thức tổng quát của phương pháp này như sau:
 Moving average (bình quân di động giản đơn)

• Ví dụ 1: Một công ty đã thống kê doanh số bán hàng trong 10 tháng như trong bảng. Công
ty này sử dụng phương pháp bình quân di động 3 tháng giản đơn để dự báo cho tháng 11,
kết quả dự báo là bao nhiêu?
 Moving average (bình quân di động giản đơn)

• Ví dụ 1: Một công ty đã thống kê doanh số bán hàng trong 10 tháng như trong bảng. Công
ty này sử dụng phương pháp bình quân di động 3 tháng giản đơn để dự báo cho tháng 11,
kết quả dự báo là bao nhiêu?
 Moving average (bình quân di động giản đơn)

• Ví dụ 1: Một công ty đã thống kê doanh số bán hàng trong 10 tháng như trong bảng.
Công ty này sử dụng phương pháp bình quân di động 5 tháng giản đơn để dự báo cho
tháng 11, kết quả dự báo là bao nhiêu?
 Moving average (bình quân di động giản đơn)

• Tuy nhiên, phương pháp bình quân di động giản đơn không tính đến sự dao động (variability)
trong nhu cầu thực tế.
 Moving average (bình quân di động giản đơn)

• Tuy nhiên, phương pháp bình quân di động giản đơn lại bỏ qua sự biến thiên (variability) trong nhu
cầu thực tế.
 Weighted Moving average (bình quân di động có trọng số)
• Trong phương pháp bình quân di động, chúng ta xem vai trò của các số liệu trong quá khứ là như
nhau. Trong thực tế, đôi khi các số liệu này có ảnh hưởng khác nhau đến kết quả dự báo, vì vậy
người ta sẽ sử dụng trọng số để phân biệt mức độ ảnh hưởng của các số liệu quá khứ. Trọng số là
các con số được gán cho các số liệu quá khứ để chỉ ra mức độ quan trọng của chúng ảnh hưởng đến
kết quả dự báo (sử dụng các trọng số để nhấn mạnh độ quan trọng của các số liệu gần nhất). Công
thức tổng quát của phương pháp này như sau:
 Weighted Moving average (bình quân di động có trọng số)

• Ví dụ 2: Cửa hàng (số liệu từ ví dụ 1) quyết định áp dụng mô hình dự báo theo bình quân
di động 3 tháng với các trọng số cho các tháng 10, tháng 9, tháng 8 lần lượt là 50%; 33%;
17%, kết quả như sau:
 Weighted Moving average (bình quân di động có trọng số)

• Ví dụ 2: Cửa hàng (số liệu từ ví dụ 1) quyết định áp dụng mô hình dự báo theo bình quân
di động 3 tháng với các trọng số cho các tháng 10, tháng 9, tháng 8 lần lượt là 50%; 33%;
17%, kết quả như sau:
 Exponential smoothing (San bằng mũ)
} San bằng số mũ giản đơn

Về mặt kỹ thuật, phương pháp này dựa vào số bình quân di động nhưng nó cần rất ít các số
liệu trong quá khứ. Với mỗi sản phẩm, chỉ cần lưu lại mức bán hàng thực tế ở kỳ trước và
mức dự báo của kì trước. Theo phương pháp này ta có công thức tính nhu cầu trong tương
lai như sau:

α phản ánh trọng số được gán cho dữ liệu nhu

cầu gần nhất của khách hàng
 Exponential smoothing (San bằng mũ)
} San bằng số mũ giản đơn:

Ví dụ 3: Nhu cầu thực tế của một công ty kinh doanh dịch vụ sửa chữa máy tính được
cho trong bảng dưới đây. Sử dụng phương pháp dự báo san bằng số mũ với α = 0.3 và α
= 0.5 để dự báo cho các tháng trong năm (lấy giá trị dự báo của tháng 1 là 37).
 Exponential smoothing (San bằng mũ)
} San bằng số mũ giản đơn:

Ví dụ 3: Nhu cầu thực tế của một công ty kinh doanh dịch vụ sửa chữa máy tính được
cho trong bảng dưới đây. Sử dụng phương pháp dự báo san bằng số mũ với α = 0.3 và
α = 0.5 để dự báo cho các tháng trong năm (lấy giá trị dự báo của tháng 1 là 37).

- Sử dụng α = 0.3, giá trị dự báo của các tháng 2 và 3 lần lượt như sau:
 Exponential smoothing (San bằng mũ)
} San bằng số mũ giản đơn:

Ví dụ 3: Nhu cầu thực tế của một công ty kinh doanh dịch vụ sửa chữa máy tính được
cho trong bảng dưới đây. Sử dụng phương pháp dự báo san bằng số mũ với α = 0.3 và α
= 0.5 để dự báo cho các tháng trong năm (lấy giá trị dự báo của tháng 1 là 37).

- Giá trị dự báo cuối cùng là của tháng thứ 13 (Tháng 1 năm sau), và cũng là mối quan tâm của
công ty (α = 0.3) :
} San bằng số mũ có điều chỉnh xu hướng (Adjusted Exponential smoothing)
Phương pháp san bằng số mũ giản đơn không thể hiện rõ xu hướng biến động, vì vậy, ta cần
sử dụng thêm kỹ thuật điều chỉnh xu hướng sau khi đã nhận được kết quả của cách trên. Các
bước được tiến hành như sau:
Bước 1: Tính hiệu chỉnh xu hướng cho giai đoạn t+1 theo công thức:

Bước 2: Dự báo nhu cầu theo xu hướng cho giai đoạn t+1
Linear Trend Line (Đường xu hướng tuyến tính)
• Phương trình dự báo có dạng:

Trong đó:
- a : đoạn cắt trục tung trên đồ thị (tại giai đoạn 0)
- b : độ dốc của đường hồi quy
- x : khoảng thời gian
- y : trị số của biến phụ thuộc hay mức cầu dự báo nhu cầu
cho giai đoạn x
} Các tham số của phương trình dự báo được tính như sau:

Trong đó:
n : số giai đoạn
: trung bình của các giá trị x

: trung bình của các giá trị y

 Linear Trend Line (Đường xu hướng tuyến tính)
• Ví dụ 5: Công ty ở ví dụ 3 sẽ đưa ra dự báo cho các tháng bằng phương pháp Hoạch định
xu hướng
 Linear Trend Line (Đường xu hướng tuyến tính)
• Ví dụ 5: Công ty ở ví dụ 3 sẽ đưa ra dự báo cho các tháng bằng phương pháp Hoạch định
xu hướng
 Linear Trend Line (Đường xu hướng tuyến tính)
• Ví dụ 5: Công ty ở ví dụ 3 sẽ đưa ra dự báo cho các tháng bằng phương pháp Hoạch
định xu hướng.

- Khi đó ta có phương trình xu hướng:

- Để dự báo cho tháng thứ 13, với x =13 ta có: y =35.2 + 1.72 (13) =57.56 service calls
Linear Trend Line (Đường xu hướng tuyến tính)
SEASONAL ADJUSTMENTS
• A seasonal factor is a numerical value that is multiplied by the normal forecast to get a seasonally
adjusted forecast.

• One method for developing a demand for seasonal factors is to divide the demand for each
seasonal period by total annual demand, according to the following formula:

• The resulting seasonal factors between 0 and 1.0 are, in effect, the portion of total annual
demand assigned to each season. These seasonal factors are multiplied by the annual forecasted
demand to yield adjusted forecasts for each season.
SEASONAL ADJUSTMENTS
EX 6: Wishbone Farms grows turkeys to sell to a meat-processing company throughout the
year. However, its peak season is obviously during the fourth quarter of the year, from
October to December. Wishbone Farms has experienced the demand for turkeys for the
past three years shown in the following table:

2020
2021
2022
SEASONAL
ADJUSTMENTS

Solution:

• Compute the seasonal factors by

dividing total quarterly demand
for three years by total demand
across three years:
SEASONAL ADJUSTMENTS
• Identify a demand forecast for 2023. In this case, since the demand data in the table seem to
exhibit a generally increasing trend, we compute a linear trend line for the three years of data in
the table to get a rough forecast estimate:

Thus, the forecast for 2023 is 58.17, or 58,170 turkeys.

SEASONAL ADJUSTMENTS
• Using this annual forecast of demand, we find that the seasonally adjusted forecasts, SFi, for 2023
are:
FORECAST ACCURACY

• Forecast error: the difference between the forecast

and actual demand.

• Different measures of forecast error

• Mean absolute deviation (MAD)

• Mean absolute percent deviation (MAPD)

• Cumulative error,

• Average error or bias (E).

Mean absolute deviation (MAD)
The mean absolute deviation, or MAD, is
one of the most popular and simplest to
use measures of forecast error. MAD is an
average of the difference between the
forecast and actual demand, as computed
by the following formula:
Mean absolute deviation (MAD)
Ex 7: In Examples 3, 4, and 5, forecasts were developed using exponential smoothing, (alpha =
0.30 and alpha = 0.50), adjusted exponential smoothing ( alpha = 0.50, beta = 0.30), and a
linear trend line, respectively, for the demand data for HiTek Computer Services. The company
wants to compare the accuracy of these different forecasts using MAD.
Mean absolute
deviation (MAD)
• The following table shows
the values necessary to
compute MAD for the
exponential smoothing
forecast with alpha 0.30:
Mean absolute deviation (MAD)
• Using the data in the table, MAD is computed as

• The MAD values for the remaining forecasts are as follows:

Mean absolute percent deviation (MAPD)
• The mean absolute percent deviation (MAPD) measures the absolute error as a
percentage of demand rather than per period. As a result, it eliminates the problem of
interpreting the measure of accuracy relative to the magnitude of the demand and
forecast values, as MAD does.

• The mean absolute percent deviation is computed according to the following formula:
Mean absolute percent deviation (MAPD)
• Using the data from the table in Example 7 for the exponential smoothing forecast (alpha
= 0.30) for HiTek Computer Services:

• A lower percent deviation implies a more accurate forecast. The MAPD values for other
three forecasts are:
Cumulative error

• Cumulative error is computed simply by summing the forecast errors, as shown in the
following formula.

• Large +E indicates forecast is biased low; large - E, forecast is biased high.

Cumulative error
• The cumulative error for the exponential smoothing forecast ( alpha = 0.30) for HiTek
Computer Services can be read directly from the table in Example 7; it is simply the sum
of the values in the “Error” column:

• The cumulative error for the other forecasts are

Average Error

• A measure closely related to cumulative error is the average error, or bias. It is

computed by averaging the cumulative error over the number of time periods:
Comparison of Forecasts for HiTek Computer Services
FORECAST CONTROL
• Tracking signal indicates if the forecast is consistently biased high or low. It is computed
by dividing the cumulative error by MAD, according to the formula

• The tracking signal is recomputed each period, with updated, “running” values of
cumulative error and MAD. The movement of the tracking signal is compared to control
limits; as long as the tracking signal is within these limits, the forecast is in control.
FORECAST CONTROL
In Example 7, the mean absolute deviation was computed for the exponential smoothing forecast
(alpha 0.30) for HiTek Computer Services. Using a tracking signal, monitor the forecast accuracy
using control limits of 3 MADs.
Solution
• To use the tracking signal, we must recompute MAD each period as the cumulative error is
computed.
• Using MAD 3.00, we find that the tracking signal for period 2 is

• The tracking signal for period 3 is

FORECAST CONTROL
• The remaining tracking signal values are shown in the following table:
EXERCISE 1
• A manufacturing company has monthly demand for one of its products as follows:
MONTH DEMAND MONTH DEMAND
1 520 6 420
2 490 7 510
3 550 8 610
4 580 9
5 600

• Develop a three-period moving average forecast and a three- period weighted moving
average forecast with weights of 0.50, 0.30, and 0.20 for the most recent demand values,
in that order. Calculate MAD for each forecast, and indicate which would seem to be
most accurate.
EXERCISE 2
• A computer software firm has experienced the following

demand for its “Personal Finance” software package

• Develop an exponential smoothing forecast using 0.40

and an adjusted exponential smoothing forecast using

0.40 and 0.20. Compare the accuracy of the two forecasts

using MAD and cumulative error.

EXERCISE 3
• A local building products store has
accumulated sales data for 2X4 lumber (in
board feet) and the number of building
permits in its area for the past 10 quarters:

• Develop a linear regression model for these

data and determine the strength of the
linear relationship using correlation. If the
model appears to be relatively strong,
determine the forecast for lumber given ten
building permits in the next quarter.